K近邻短期交通流预测

从分析短时交通流特性入手,利用非参数回归中K近邻的方法,对道路交通流量进行短期预测;采用贵阳市道路交通流量的实际数据进行验证。结果表明:K近邻非参数回归预测模型能较为准确的进行道路短期交通流预测,该方法可用于短期交通流预测。     

K近邻短时交通流预测模型

为了准确预测道路短时交通流,构建了基于K近邻算法的短时交通流预测模型。分析了K近邻算法的时间和空间参数,提出4种状态向量组合的K近邻模型:时间维度模型、上游路段-时间维度模型、下游路段-时间维度模型与时空参数模型。以贵州省贵阳市出租车的GPS数据对几种K近邻模型进行了检验。分析结果表明:带有时空参数的K近邻模型具有更高的预测精度,其预测误差最小,平均为7.26%。基于指数权重的距离度量方式能更精确的选择近邻,其预测误差最小,平均为5.57%。与神经网络和历史平均模型相比,带有指数权重的K近邻模型具有更好的预测精度,平均预测误差仅为9.43%。可见,带有时空参数与指数权重的K近邻模型可作为道路短时交通流预测的有效手段。     

基于小波去噪和最优权重信息融合的短时交通量预测

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律。信息融合技术可以对不同传感器数据进行综合处理,去除冗余、克服歧义,得到比任何单个数据源更全面、更准确、更可靠的信息。综合考虑道路交通量预测的实时性、准确性和可靠性,运用基于小波分析的去噪和现代信息融合思想,提出了一种基于小波去噪和最优权重的信息融合预测方法,并用实际数据进行验证。实证分析的结果表明,该方法能够有效提高交通量的预测精度。     

基于小波变换的交通流速度-密度关系分析

车流速度和密度是交通流理论研究的重要参数,而小波变换是一种信号分析工具,它可以将信号进行去噪分析。基于通过调查获得的速度和密度数据构成交通流特征信号,引入小渡变换方法对交通流特征信号进行去噪,并运用典型特征构建速度与密度关系曲线,对其进行分析并与小波变换前原有速度与密度关系曲线进行对比。为更加清楚地观察三参数与时间变化的关系,以及三参数之间的相互关系提供了有效方法。     

基于小波去噪和GA-Elman神经网络的短时交通流预测

为解决短时交通流的非线性和强干扰特征带来的预测精确度较低问题,首先采用启发式阈值算法对小波分解后的原始数据做去噪处理,使去噪后的数据更平稳真实地反映交通流的变化规律,然后利用遗传算法优化Elman神经网络模型对交通流进行分析和预测,模型输出的预测值百分比绝对误差为6.2%。试验结果表明,小波去噪后再用遗传算法优化的Elman神经网络进行预测,预测结果误差较小,可用于短时交通流预测。     

改进的小波神经网络在桥梁施工控制中的应用

桥梁线形的预测和调整对于大跨径桥梁施工控制具有重要的指导作用。利用小波分析技术对实测数据进行消噪处理,将BP神经网络与Morlet小波结合起来,建立相应的小波神经网络模型,并对桥面标高偏差进行预测。结果表明,采用该方法对桥梁施工控制有较好的预测精度。     

����ʵ�����ݵĿ���·��ͨ������ģ��

已有的交通流参数模型无论是基本图还是三相交通流理论都是基于高速公路交通流数据进行研究,由于高速公路和城市快速路具有不可忽视的差异,以高速公路交通流数据为基础建立的交通流参数模型难以符合城市快速路交通流运行的实际情况.本文根据实测的城市快速路交通流数据,采用线性回归分析建立城市快速路速度—占有率模型、交通流率—占有率模型和速度—交通流率模型,应用最小二乘法估计模型参数,并以F和T检验对回归模型及回归系数的显著性进行检验.最后,在建立交通流参数模型、明确交通流参数之间关系的基础上,对城市快速路交通流状态进行了划分.本文建立的交通流参数模型,对交通流短时预测和交通流状态判别具有应用价值.     

交通流状态辨识小波算法研究

针对智能交通系统的开发和交通流特性，应用小波多分辨分析理论的Mallat分解算法建立交通流状态辨识方法，利用多种小波系数与交通流参数之问的相应变化规律进行交通突变状态的辨识．交通流状态的突变多与交通事件直接相关，故采用事件和非事件条件下的模拟数据对算法参数进行了标定及离线测试．将算法与几种传统算法分别进行了性能比较，结果表明Mallat分解算法在交通流突变状态实时辨识方面具有很好的性能．     

�����е��͵�·��ͨ����״̬������Ԥ���о�

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支权重并对各分支多通道特征图进行加权融合;最后根据融合特征图,利用多层感知机预测下一时段交通流.基于加州交通运输部性能测试系统中的高速公路交通流数据设计实验进行模型验证和对比分析.实验结果表明,在大多数站点,MKAN模型的预测均方根误差和平均绝对误差低于长短期记忆网络、门控循环单元、K近邻算法和支持向量回归模型,对140号站点进行全天交通流预测,在1d内的各时段,MKAN模型预测绝对误差均小于其他对比模型;相比于单核卷积神经网络,在绝大多数站点,MKAN模型预测结果的均方根误差和平均绝对误差降低7％以上,对31号站点进行全天交通流预测,在1d内的大多数时段,MKAN模型预测绝对误差小于其他单核卷积神经网络.实验证明,多核自适应网络可有效提高交通流预测准确率,其预测效果优于部分传统预测模型和单核卷积神经网络.